SPHからWVへのコンバーター

SPHは、1990年頃に米国国立標準技術研究所が作成したNIST SPHERE(SPeech HEader REsources)形式で保存されたオーディオのファイル拡張子です。音声研究用に構築されたSPHファイルは、データベース識別子、チャンネル数、サンプルレート、バイトオーダー、圧縮タイプなどのメタデータが詰め込まれた1024バイトのASCIIヘッダーを持ち、すべての録音が自己記述的です。基盤となるオーディオは通常16 kHzで16ビットリニアPCMサンプリングですが、他の構成も許可されています。NIST、DARPA、および世界中の大学の研究者は、現代の自動音声認識システムの基盤となるTIMIT、Switchboard、LDCコレクションなどの音声コーパスの配布にSPHを使用しています。主な利点は、人間が読めるヘッダーにより、スクリプトがバイナリデコーディングなしに録音メタデータを解析できることです。形式の厳格な標準化により、機関やプラットフォーム間でデータセットを共有する際の曖昧さも排除されます。SPHファイルは非圧縮PCMを格納するため、完全なオーディオ忠実度が維持されます — 小さなアーティファクトでさえ結果を歪める可能性がある音響モデルのトレーニングにおいて重要です。

WavPackは、David Bryantが作成したオープンソースオーディオコーデックで、バージョン1.0は1998年8月15日にリリースされました。WavPackを際立たせるのはそのユニークなハイブリッドモードです — エンコーダーはコンパクトな非可逆ファイルと、組み合わせると元のPCMストリームをビット単位で完全に再構築する別の補正ファイルを同時に生成できます。ポータビリティが必要なユーザーは非可逆ファイルだけを持ち歩き、アーカイブ品質が必要な場合は両方を保持します。コーデックは8ビットから32ビット整数および32ビット浮動小数点のPCMオーディオを処理し、サンプルレートは最大768 kHzまで対応 — DSDコンテンツにも十分な仕様で、WavPack 5でDSDサポートが追加されました。純粋なロスレスモードでの圧縮率は通常元のサイズの40から55%に達し、FLACと競合し、特定の素材ではわずかに上回ることもあります。後のバージョンでのマルチコアエンコーディングにより、最新ハードウェアでの処理が大幅に高速化されました。オープンソースライブラリはBSDライセンスの下で提供され、foobar2000、VLC、FFmpegなど多数のツールに統合されています。WavPackはまたAPEv2タグ、埋め込みキューシート、ReplayGain値によるリッチなメタデータをサポートし、最も几帳面な音楽ライブラリの整理ニーズにも対応します。